加拿大安大略省滑铁卢大学的研究人员开发出一种新方法，通过分析社交媒体帖子识别日益增长的疫苗怀疑态度，从而帮助预测新兴疾病爆发热点。近年来，疫苗安全问题因社交媒体上的错误信息而备受争议，这些错误信息导致麻疹等本已近乎消除的疾病感染率回升。为应对这一挑战，滑铁卢大学研究团队开发了新型预测方法，可为公共卫生官员提供潜在疫情爆发地的早期预警。
滑铁卢大学应用数学教授克里斯·鲍奇博士在声明中表示："自然界存在如疾病般的传染系统，我们决定将社交动态视为生态系统，研究错误信息如何通过社交媒体网络从用户传染至用户。"研究团队基于临界点数学概念构建了机器学习模型。鲍奇解释道："无论观察人体癫痫发作、湖泊藻类泛滥的生态系统，还是人群群体免疫丧失现象，其数学底层机制具有共性。"
研究团队分析了2014年麻疹爆发前加利福尼亚州用户在推特平台发布的数万条公开帖子。相比传统方法（如统计怀疑性推文数量），"临界点"方法通过识别数据中的微小模式提供了更长的预警时间。鲍奇在邮件中向《The Debrief》透露："临界点方法聚焦常规手段难以捕捉的数据模式，例如不单纯追踪怀疑性帖子的数量趋势。这些模式跨系统共存——无论是癫痫发作前兆、湖泊藻类覆盖过程，还是冰河时代结束等历史气候转变，均呈现相似特征。"他强调，传统统计方法预警时间有限，而运用临界点数学理论能显著延长预警窗口并更高效识别数据模式。
鲍奇指出，通过比对加州发帖模式与同期未发生疫情的相似地区数据，该模型的准确性得到进一步验证。尽管模型最初在推特平台测试，但同样适用于TikTok或Instagram等其他社交媒体。不过，分析图像和视频内容所需的计算资源远高于推特以文字为主的平台内容。
"我们在推文中观察到与湖泊或气候转变系统相同的模式，"鲍奇表示，"这种模式表现为某种'摇摆'特征，类似于陀螺倾倒前的晃动。"他补充道："临界点数学理论预测了这些摇摆现象，而我们采用的人工智能算法能有效识别此类模式。最终目标是将其转化为公共卫生官员的实用工具，用于监测最接近临界点的高风险人群。"他强调，"应用数学可成为预测、监测和应对公共卫生威胁的强有力量化工具。"
此项研究是滑铁卢大学推动循证决策和科学公信力建设的重要组成部分，与该校"社会未来"网络及TRuST倡议相契合。该倡议汇集哲学家、计算机科学家、传播专家和伦理学家，共同探索科学信任危机的成因与重建路径。鲍奇向《The Debrief》解释："谣言如同传染病般在人群中传播——从一人传至另一人。部分人可能对谣言'免疫'，而另一些人则基于其世界观和观点'易感'。"
从根本上说，此类预测工作有望为全球医疗系统挽救生命并节约成本。随着组织和政府机构掌握日益增强的人工智能能力，预测疾病爆发地点与时间的主动权比以往任何时候都更为可控。这项题为《基于社交媒体疫苗情绪预测传染病爆发风险：数据驱动的动态系统方法》的研究，近期发表于《数学生物科学与工程》期刊。
【全文结束】
